Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning

ملخص تقني: استرجاع الأصول عبر المقطع العرضي باستخدام التعلم التبايني الناعم المتوافق مستقبلياً (FASCL)

1. بيان المشكلة

في التمويل الكمي، يعد استرجاع الأصول (Asset Retrieval)—أي تحديد الأصول التي تسلك سلوكاً مشابهاً لأصل استعلام معين—أمراً بالغ الأهمية لبناء المحافظ الاستثمارية، وتداول الزوج (Pairs Trading)، وإدارة المخاطر. تعتمد طرق الاسترجاع التقليدية على معايير تعتمد على الماضي (Backward-looking)، مثل معامل ارتباط بيرسون التاريخي، أو تقنية "تحويل المسافة الديناميكي الزمني" (DTW) لأنماط الأسعار الماضية، أو التصنيفات القطاعية الثابتة (مثل تصنيف GICS).

ويرى المؤلفون أن هذه الطرق معيبة جوهرياً لأنها لا تضمن التوافق المستقبلي (Future Alignment). فالأصل الذي تحرك بشكل مشابه لأصل الاستعلام في الماضي ليس بالضرورة أصلاً سيتحرك بشكل مشابه في المستقبل. ويكمن التحدي الجوهري في تعلم تمثيل فضاء تكون فيه التشابه مبنياً على التحرك المشترك المستقبلي بدلاً من مطابقة الأنماط التاريخية.

2. المنهجية

يقترح البحث إطار عمل التعلم التبايني الناعم المتوافق مستقبلياً (FASCL)، وهو إطار لتعلم التمثيل مصمم لرسم خرائط الأصول في فضاء تضمين (Embedding Space) حيث يعكس تشابه جيب التمام (Cosine Similarity) مباشرةً ارتباطات العوائد المستقبلية.

• بنية المشفر (Encoder Architecture): يستخدم النموذج مشفر ترانسفورمر قائم على الرقع (Patch-based Transformer). يأخذ مدخلات من السلاسل الزمنية المالية متعددة المتغيرات (سعر الفتح، الأعلى، الأدنى، الإغلاق، الحجم، وقيمة التداول). يتم تطبيع (Normalization) هذه السلاسل، وتقسيمها إلى رقع غير متداخلة، ومعالجتها عبر كتل الترانسفورمر. يتم الحصول على تضمين الأصل النهائي عبر التجميع المتوسط (Mean-pooling) فوق رموز الرقع (Patch Tokens).
• خسارة التعلم التبايني الناعم المتوافق مستقبلياً (LSC): هذا هو الابتكار المركزي. بخلاف التعلم التبايني القياسي (مثل InfoNCE) الذي يستخدم تسميات ثنائية "إيجابي/سلبي"، يستخدم FASCL إشرافًا مستمرًا:
  1. التوزيع المستهدف ($p_{ij}$): بالنسبة لمجموعة (Batch) من الأصول، يحسب النموذج ارتباط بيرسون الزوجي لعوائدها الفعلية المستقبلية عبر أفق زمني $H$. يتم تحويل هذه الارتباطات إلى توزيع احتمالي باستخدام دالة "softmax" ذات درجة حرارة (Temperature-scaled).
  2. التوزيع المتوقع ($q_{ij}$): يحسب النموذج تشابه جيب التمام بين تضمينات الأصول المتعلمة، مع تطبيق دالة "softmax" أيضاً.
  3. التحسين (Optimization): يقوم النموذج بتقليل تباعد كولباك - ليبلر (KL Divergence) بين التوزيع المستهدف (الواقع المستقبلي) والتوزيع المتوقع (تشابه التضمين). وهذا يسم يسمح للنموذج بتعلم ترتيب متدرج: حيث يتم سحب الأصول التي لديها ارتباط مستقبلي بنسبة 80% معاً بقوة أكبر من تلك التي لديها ارتباط بنسبة 30%.
• الاستدلال (Inference): عند الاختبار، يتم إجراء عملية الاسترجاع عبر بحث سريع عن أقرب جار (Nearest-neighbor search) في فضاء التضمين.

3. المساهمات الرئيسية

1. دالة هدف جديدة: تقديم خسارة تباينية ناعمة تستخدم ارتباطات العوائد المستقبلية الزوجية كأهداف مستمرة، متجاوزةً بذلك الإشراف الثنائي أو المرتبط بالملاحظات.
2. بروتوكول تقييم شامل: يقترح المؤلفون ثلاث مقاييس جديدة لقياس "التوافق المستقبلي":
   • اتساق الاتجاه (TC@K): يقيس ما إذا كانت الأصول المسترجعة تتحرك في نفس اتجاه أصل الاستعلام.
   • ارتباط العائد المستقبلي (FRC@K): يقيس متوسط ارتباط بيرسون للعوائد اليومية المستقبلية.
   • معامل المعلومات (IC@K): يقيس قدرة "الإجماع" المسترجع على ترتيب الأصول عبر المقاطع العرضية.
3. معيار مرجعي موحد: إعداد تجريبي صارم باستخدام 4,223 سهماً أمريكياً مع تقسيمات زمنية صارمة لمنع انحياز النظر للمستقبل (Look-ahead bias)، ومقارنة FASCL مقابل 13 نموذجاً مختلفاً كمرجع.

4. النتائج

تظهر التجارب أن FASCL يتفوق بشكل كبير على جميع النماذج الـ 13 المرجعية (بما في ذلك الطرق الإحصائية، والنماذج ذاتية الإشراف مثل TS2Vec، ونماذج التنبؤ مثل PatchTST، والنماذج التأسيسية مثل Chronos).

• توافق مستقبلي فائق: حقق FASCL نتائج هي الأفضل في حالتها (State-of-the-art) عبر جميع المقاييس. والجدير بالذكر أنه حقق FRC@K أعلى بكثير (0.3837 عند $K=1$) مقارًة بالمركز الثاني (ارتباط بيرسون عند 0.3425).
• بنية ناشئة: أظهرت تصورات t-SNE أنه حتى بدون التدريب على التسميات (Labels)، تجمعت التضمينات طبيعياً حسب القطاعات (GICS) وصناديق الاستثمار المتداولة الموضوعية (مثل "السبعة العظماء" - Magnificent 7)، مما يثبت أن النموذج يلتقط الدوافع الاقتصادية الأساسية.
• القابلية للتوسع في التداول: في اختبار خلفي (Backtest) لنموذج تداول الفروقات (Spread Trading)، بينما تدهور أداء معظم النماذج (نسبة شارب) مع زيادة عدد الأصول المسترجعة ($K$)، فإن نسبة شارب لنموذج FASCL تحسنت فعلياً مع زيادة $K$ من 5 إلى 20. يشير هذا إلى أن ترتيب التشابه الخاص به قوي وموثوق حتى للأصول الموجودة في أسفل القائمة.
• الكفاءة: النموذج عالي الكفاءة، وقادر على تضمين واسترجاع الأصول في أجزاء من الثانية، مما يجعله مناسباً لبيئات الإنتاج في الوقت الفعلي.

5. الأهمية

ينقل هذا العمل نموذج تعلم التمثيل المالي من التنبؤ (توقع القيم الدقيقة) إلى المواءمة (تعلم التشابه الهيكلي). ومن خلال إثبات أن التضمينات يمكن تحسينها للتنبؤ بالتحرك المشترك المستقبلي، يوفر المؤلفون أداة قوية للمستثمرين الكميين لبناء محافظ أكثر قوة، وتنوعاً، وسليمة إحصائياً. إن قدرة النموذج على الحفاظ على جودة إشارة عالية في السلال الأكبر ($K=20$) تجعله ذا قيمة خاصة لبناء المحافظ على مستوى المؤسسات.